cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Khairul Umam Syaliman
Contact Email
systec@unri.ac.id
Phone
+6281277972250
Journal Mail Official
systec@unri.ac.id
Editorial Address
Jl. HR. Soebrantas Km. 12.5 Panam, Pekanbaru, Riau 28293
Location
Kota pekanbaru,
Riau
INDONESIA
Journal of System and Technology
Published by Universitas Riau
ISSN : 31100171     EISSN : 31100171     DOI : -
Core Subject : Science, Engineering,
Computer Science & IT Electrical & Electronics Engineering Engineering
Journal of System & Technology (SYSTEC) covers a broad range of research topics within Electrical Engineering, Informatics Engineering, and applied technologies, addressing both theoretical and practical aspects of design, development, and application. Specifically, the scope includes, but is not limited to, the following areas: 1. Computer Science and Engineering ✔ Development and implementation of algorithms and data structures in computing. ✔ Programming and software engineering for computer-based applications. ✔ Development of computer-based systems for industrial and technological applications. ✔ Parallel and distributed computing systems in big data and cloud computing. 2. Information Technology ✔ Development and management of IT infrastructure for industrial applications. ✔ Technologies in cloud computing, virtualization, and distributed computing. ✔ Cybersecurity, data privacy, and information systems protection. ✔ Application of technologies in IT infrastructure management and maintenance. 3. Information Systems ✔ Design and development of information systems for data management and decision-making. ✔ Enterprise Resource Planning (ERP) and organizational information management technologies. ✔ Web-based and mobile information systems for business and public services. ✔ Applied information systems in healthcare, education, government, and finance. 4. Electrical and Electronics Engineering ✔ Development and design of electronic devices and electrical systems for industry. ✔ Electronic control systems and automation in electrical engineering. ✔ Application of renewable energy and smart energy systems. ✔ Electronic devices for medical, communication, and control systems. 5. Electronics and Telecommunication ✔ Development of digital, wireless, and telecommunication networks. ✔ Satellite systems, 5G networks, and distributed data transmission technologies. ✔ Integrated electronic systems for telecom and data applications. ✔ Technologies for smart cities and infrastructure in electronic communication. 6. Applied Technologies ✔ Technologies in sectors like automotive, agriculture, and healthcare. ✔ Smart systems and smart grids for energy and urban infrastructure. ✔ Robotics, intelligent systems, and industrial automation. ✔ Big data and analytics in manufacturing, logistics, and finance.
Arjuna Subject : Ilmu Komputer (semua kategori) - Ilmu Komputer (Lain-Lain)
Articles 23 Documents
 1   2   3 
ANALISIS PERBANDINGAN ALGORITMA K-NEAREST NEIGHBORS DAN SUPPORT VECTOR MACHINE UNTUK KLASIFIKASI TINGKAT PENGALAMAN ANGGOTA GYM Hilmi Aminuddien; Syachrul Ramadhan; Mohammad Ferry Irwansyah; Dian Ramadhani
Journal of System & Technology (SYSTEC) Vol. 2 No. 1 (2026): Journal of System & Technology (June Edition)
Publisher : Jurusan Teknik Elektro, Fakultas Teknik, Universitas Riau

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Penentuan tingkat pengalaman anggota gym secara akurat merupakan tantangan penting dalam perancangan program latihan yang personal dan efektif. Penelitian terdahulu yang membandingkan K-Nearest Neighbors (K-NN) dan Support Vector Machine (SVM) umumnya berfokus pada domain medis seperti prediksi diabetes, sehingga efektivitas kedua algoritma pada data kebugaran fisik belum banyak dikaji. Penelitian ini mengisi kesenjangan tersebut dengan menerapkan dan membandingkan K-NN dan SVM pada dataset Gym Members Exercise Tracking (973 data, 15 atribut) untuk mengklasifikasikan tingkat pengalaman anggota menjadi tiga kelas: Beginner, Intermediate, dan Expert. Pemrosesan data mencakup label encoding, normalisasi StandardScaler, serta pembagian data latih dan uji dengan rasio 80:20. K-NN diimplementasikan dengan K=5 menggunakan metrik jarak Euclidean, sedangkan SVM menggunakan kernel RBF dengan parameter C=1,0 dan gamma='scale'. Hasil pengujian menunjukkan SVM mengungguli K-NN dengan akurasi 85,64% (macro F1-score: 0,86) dibandingkan K-NN dengan akurasi 81,54% (macro F1-score: 0,81). Kontribusi utama penelitian ini adalah bukti empiris bahwa SVM dengan kernel RBF lebih efektif untuk klasifikasi multikelas pada data kebugaran fisik dibandingkan K-NN, serta identifikasi fitur-fitur fisiologis yang paling berpengaruh terhadap penentuan tingkat pengalaman anggota gym.
Perbandingan Algoritma Random Forest, SVM, KNN, dan Decision Tree untuk Prediksi Penyakit STROK (DENGAN SMOTE) Christian Gideon Valent; Jeff Clarence; Raissa Nabila Putri Riski; Dian Ramadhani
Journal of System & Technology (SYSTEC) Vol. 2 No. 1 (2026): Journal of System & Technology (June Edition)
Publisher : Jurusan Teknik Elektro, Fakultas Teknik, Universitas Riau

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Strok merupakan salah satu penyebab kematian tertinggi di dunia, sehingga deteksi dini sangat penting untuk mengurangi risiko fatalitas. Namun, data klinis terkait penyakit ini umumnya mengalami ketidakseimbangan kelas (class imbalance) yang ekstrem, yang dapat memengaruhi keandalan model prediktif. Penelitian ini membandingkan performa empat algoritma machine learning, yaitu Random Forest, Support Vector Machine (SVM), K-Nearest Neighbor (KNN), dan Decision Tree untuk memprediksi risiko strok menggunakan Healthcare Strok Dataset dari Kaggle yang terdiri atas 5.110 data pasien berdasarkan 11 fitur prediktor (proporsi kelas tidak strok 95,13% dan strok 4,87%). Untuk mengatasi ketidakseimbangan data, metode Synthetic Minority Over-sampling Technique (SMOTE) diterapkan pada data pelatihan, diikuti dengan normalisasi StandardScaler dan pengujian validitas melalui 5-fold stratified cross-validation. Hasil penelitian menunjukkan bahwa Random Forest memperoleh akurasi keseluruhan tertinggi sebesar 93,05%, disusul oleh Decision Tree (90,02%), KNN (79,94%), dan SVM (75,44%). Sebaliknya, SVM menunjukkan kemampuan terbaik dalam mengidentifikasi kasus positif dengan nilai Recall kelas strok tertinggi sebesar 60,00%, dibandingkan KNN (36,00%), Decision Tree (22,00%), dan Random Forest (16,00%). Hasil ini menunjukkan adanya trade-off yang jelas antara akurasi global dan sensitivitas deteksi kelas minoritas. Dalam konteks diagnosis medis, meminimalkan kegagalan deteksi pasien sakit (False Negative) dinilai lebih krusial dibandingkan mengejar akurasi keseluruhan, sehingga model SVM dengan integrasi SMOTE direkomendasikan sebagai pendekatan yang paling sesuai untuk kebutuhan prediksi klinis strok.
Sistem Deteksi Kantuk Pengemudi berbasis DLIB Facial Landmark dan Rasio Kedipan Mata menggunakan OPENCV secara Real-time M Ikhsan; Siti Nurjanah; Dila Marta Putri; Ika Mayla Sari; Hudaya Muna Putra; Ririn Violina; Radinal Dwiki Novendra; Yoan Purbolingga
Journal of System & Technology (SYSTEC) Vol. 2 No. 1 (2026): Journal of System & Technology (June Edition)
Publisher : Jurusan Teknik Elektro, Fakultas Teknik, Universitas Riau

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Kecelakaan lalu lintas akibat kondisi mengantuk saat berkendara merupakan permasalahan keselamatan yang serius dan belum terselesaikan secara tuntas. Penelitian ini mengimplementasikan sistem deteksi kantuk pengemudi secara real-time berbasis kecerdasan buatan dengan memanfaatkan OpenCV untuk akuisisi video dari webcam dan pustaka Dlib untuk ekstraksi 68 titik facial landmark. Kontribusi utama penelitian ini adalah pengembangan sistem tiga-kelas (active, drowsy, sleep) menggunakan mekanisme pencacah frame dengan ambang batas empat frame berturut-turut, yang beroperasi tanpa GPU khusus disertai alarm audio otomatis. Berbeda dengan penelitian terdahulu yang umumnya hanya membedakan dua kondisi, sistem ini menambahkan kelas 'active' sebagai konfirmasi eksplisit kondisi pengemudi yang waspada. Pengujian terhadap 30 percobaan menghasilkan akurasi 90%, recall rata-rata 0,90, dan rata-rata waktu respons alarm 0,65 detik. Hasil ini menunjukkan bahwa pendekatan berbasis rasio keterbukaan mata dan pencacah frame efektif sebagai prototipe sistem deteksi kantuk ringan syang dapat direproduksi pada perangkat komputasi konvensional.

Page 3 of 3 | Total Record : 23

 1   2   3 

Filter by Year

2025 2026


Reset
Filter By Issues
All Issue Vol. 2 No. 1 (2026): Journal of System & Technology (June Edition) Vol. 1 No. 2 (2025): Journal of System & Technology (December Edition) Vol. 1 No. 1 (2025): Journal of System & Technology (June Edition)